JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
JARINGAN SYARAF TIRUAN
(ARTIFICIAL NEURAL
NETWORK)
Pertemuan 11
Diema Hernyka Satyareni, M.Kom
Outline
•
•
•
•
•
•
•
•
Konsep JST
Model Struktur JST
Arsitektur JST
Aplikasi JST
Metode Pembelajaran
Fungsi Aktivasi
McCulloch Pitts
Backpropagation Network
Konsep JST
Jaringan syaraf tiruan (JST) atau Artificial
Neural Network (ANN) adalah suatu model
matematik
atau
komputasi
untuk
mensimulasikan struktur dan fungsi dari jaringan
syaraf dalam otak.
JST adalah sistem pemrosesan informasi yang
memiliki karakteristik mirip dengan jaringan
syaraf biologi.
Konsep JST (lanjutan..)
Jaringan Syaraf Biologi
Konsep JST (lanjutan..)
• JST dibentuk sebagai generalisasi model matematika dari
jaringan syaraf biologi, dengan asumsi bahwa:
Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron)
Sinyal dikirimkan diantara neuron-neuron melalui
penghubung2
Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal
Konsep JST (lanjutan..)
Untuk
menentukan
output,
setiap
neuron
menggunakan fungsi aktivasi (biasanya bukan fungsi
linier) yang dikenakan pada jumlahan input yang
diterima.
Besarnya
output
ini
selanjutnya
dibandingkan dengan suatu batas ambang (threshold)
Konsep JST (lanjutan..)
• Sebagai contoh: neuron Y pada gambar
berikut:
Konsep JST (lanjutan..)
• JST tidak diprogram untuk menghasilkan
keluaran tertentu. Semua keluaran atau
kesimpulan yang ditarik oleh jaringan
didasarkan pada pengalamannya selama
mengikuti proses pembelajaran.
• Pada proses pembelajaran, ke dalam JST
dimasukkan pola-pola input (dan output) lalu
jaringan akan diajari untuk memberikan
jawaban yang bisa diterima.
Konsep JST (lanjutan..)
• Karakteristik JST ditentukan oleh
1. Pola hubungan antar neuron (disebut arsitektur
jaringan)
2. Metode penentuan bobot-bobot sambungan
(disebut dengan pelatihan atau proses belajar
jaringan)
3. Fungsi aktivasi
Konsep JST (lanjutan..)
Analogi JST dengan JSB
Model Struktur Neuron
JST
Model Neuron Tanpa bias
Masukan /Inputs
p1
w1
p2
w2
.
Penjumlahan
n=Σpi.wi
Σ
.
.
pi
Fungsi Aktifasi
wi
Bobot/Weight = bisa diatur
F(y)
a=f(n)
Model Neuron dengan
bias/Inputs
Masukan
p1
w1
p2
w2
.
Penjumlahan
Σ
Fungsi Aktivasi
n=Σpi.wi
F(y)
.
.
pi
wi
b (Bias)=Fix
Bobot/Weight = bisa diatur
a=f(n)
Neuron Sederhana
Arsitektur JST
1. Jaringan dengan lapisan tunggal
(single layer net)
2. Jaringan dengan banyak lapisan
(multilayer net)
3. Jaringan dengan lapisan kompetitif
(competitive layer net)
Arsitektur JST (lanjutan..)
1. Jaringan dengan lapisan tunggal (single layer
net)
• Hanya memiliki 1 lapisan dengan bobotbobot terhubung. Jaringan ini hanya
menerima input kemudian secara langsung
akan mengolahnya menjadi output tanpa
harus melalui lapisan tersembunyi.
• Seberapa besar hubungan antara 2 neuron
ditentukan oleh bobot yang bersesuaian.
• Semua unit input akan dihubungkan
dengan setiap unit output.
Arsitektur JST (lanjutan..)
• Gambar single layer net
Arsitektur JST (lanjutan..)
2.
•
•
•
•
Jaringan dengan banyak lapisan (multilayer
net)
Memiliki 1 atau lebih lapisan yang terletak diantara
lapisan input dan lapisan output.
Umumnya ada lapisan bobot-bobot yang terletak
antara 2 lapisan yang bersebelahan.
Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit
daripada lapisan tunggal, tentu saja dengan
pembelajaran yang lebih rumit.
Pada banyak kasus, pembelajaran pada jaringan
dengan banyak lapisan ini lebih sukses dalam
menyelesaikan masalah.
Arsitektur JST (lanjutan..)
• Gambar multilayer net
Arsitektur JST (lanjutan..)
3. competitive layer net
•
•
•
Pada jaringan ini sekumpulan neuron bersaing untuk
mendapatkan hak menjadi aktif.
Umumnya hubungan antar neuron pada lapisan
kompetitif ini tidak diperlihatkan pada diagram
arsitektur.
Gambar berikut menunjukkan salah satu contoh
arsitektur jaringan dengan lapisan kompetitif yang
memiliki bobot –η
Arsitektur JST (lanjutan..)
• Gambar competitive layer net
PROSES PEMBELAJARAN
JARINGAN
• Cara belajar JST :
• Ke dalam JST diinputkan informasi yang
sebelumnya telah diketahui hasil keluarannya.
• Penginputan informasi ini dilakukan lewat
node-node atau unit-unit input. Bobot-bobot
antarkoneksi dalam suatu arsitektur diberi
nilai awal dan kemudian JST dijalankan.
• Bobot-bobot ini bagi jaringan digunakan untuk
belajar dan mengingat suatu informasi.
• Pengaturan bobot dilakukan secara terusmenerus dan dengan menggunakan kriteria
tertentu sampai diperoleh keluaran yang
diharapkan.
Aplikasi JST
Pada tahun 1988 DARPA Neural
Network Study membuat daftar berbagai
aplikasi JST, yang diawali
dengan aplikasi adaptive channel
equalizer (1984), yang merupakan
jaringan neuron-tunggal untuk sistem
telepon jarak jauh, untuk menstabilkan
sinyal suara. Alat ini mengalami
kesuksesan luar biasa dalam industri.
Aplikasi JST (lanjutan..)
Di samping itu, beberapa aplikasi JST:
• Pengenalan pola (pattern recognition)
untuk mengenali pola (mis angka, huruf, suara, atau tanda tangan) yang
sudah sedikit berubah. Hal ini mirip dengan otak manusia yang
masih mampu mengenali orang yang sudah beberapa waktu tidak
dijumpainya
• Pengolahan sinyal JST (model ADALINE) dapat dipakai
untuk menentukan noise dalam saluran telepon
• Peramalan
untuk meramalkan apa yang akan terjadi dimasa yang akan datang
berdasarkan pola kejadian di masa lampau. Hal ini dapat dilakukan
mengingat kemampuan JST untuk mengingat dan membuat
generalisasi dari apa yang sudah ada sebelumnya
Aplikasi JST (lanjutan..)
Aplikasi-aplikasi lain :
• Aerospace
Otopilot pesawat terbang akurasi tinggi, simulasi jalur penerbangan,
sistem pengendali pesawat, simulasi komponen pesawat terbang,
detektor kerusakan komponen pesawat
• Otomotif
Sistem pemandu otomatis, penganalisis aktivitas pengemudi
• Perbankan
Pembaca cek dan dokumen, evaluasi aplikasi kredit
• Pertahanan
Pengendali senjata, penjejak target, diskriminasi objek, pengenalan
wajah, sensor-sensor baru, sonar, radar dan pengolahan sinyal citra
(termasuk data kompresi), ekstraksi ciri, peredam derau, identifikasi
sinyal / citra
Aplikasi JST (lanjutan..)
• Elektronik
Prediksi sekuens kode, tata letak integrated circuit, kontrol
proses, analisis kerusakan chip, machine vision, sintesis
suara, permodelan nonlinier.
• Hiburan
Animasi, efek khusus, prakiraan pasar
• Keuangan
Taksiran harga properti, penasihat kredit, pemeriksaan
hipotik, corporate bond rating, analisis kredit, program
penjualan portofolio, analisis finansial keuangan, prediksi
harga valuta
Aplikasi JST (lanjutan..)
• Asuransi
Evaluasi aplikasi polis, optimisasi produksi
• Manufaktur
Kontrol proses, analisis dan disain produk, diagnosis mesin dan
proses, identifikasi partikel (real time), sistem inspeksi kualitas
(visual), pembungkusan, analisis kualitas, dll
• Medis
analisis sel kanker, analisis EEG dan ECG, disain prostesis,
optimisasi waktu transplantasi, reduksi pengeluaran rumah
sakit, peningkatan kualitas RS.
• Migas
Eksplorasi
Aplikasi JST (lanjutan..)
• Robotik
Kontrol trajektori, robot pengangkat, sistem penglihatan
• Percakapan
Pengenalan percakapan, kompresi, klasifikasi huruf, sintesis teks ke
percakapan.
• Sekuritas
Analisis pasar, automatic bond rating, sistem pelaporan perdagangan
saham
• Telekomunikasi
Kompresi citra dan data, pelayanan informasi otomatis, penterjemah
otomatis, sistem pemroses pembayaran rekening
• Transportasi
Sistem diagnosis rem, penjadwalan, penentuan rute
Metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised
learning)
2. Pembelajaran tak terawasi
(unsupervised learning) /
pembelajaran tanpa guru
3. Gabungan pembelajaran terawasi
dan tak terawasi (hybrid)
Metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised
learning)
•
•
•
Pada pembelajaran ini kumpulan input yang
digunakan, output-outputnya telah diketahui.
Perbedaan antara output-output aktual dengan
output-output yang diinginkan digunakan untuk
mengoreksi bobot JST agar JST dapat
menghasilkan jawaban sedekat (semirip)
mungkin dengan jawaban yang benar yang
telah diketahui oleh JST.
Contoh : Hebbian, Perceptron, Adaline, Back
Propagation,
LVQ
(Learning
Vector
Quantization)
Metode pembelajaran/pelatihan JST
(lanjutan..)
2. Pembelajaran tak terawasi (unsupervised
learning) / pembelajaran tanpa guru
– Pada
pembelajaran
ini,
JST
mengorganisasi dirinya sendiri untuk
membentuk vektor-vektor input yang
serupa, tanpa menggunakan data atau
contoh-contoh pelatihan.
– Struktur menggunakan dasar data atau
korelasi antara pola-pola data yang
dieksplorasi.
– Contoh : Kohonen, ART
Metode pembelajaran/pelatihan JST
(lanjutan..)
3. Gabungan pembelajaran terawasi
dan tak terawasi (hybrid)
4. Merupakan kombinasi dari kedua
pembelajaran tersebut.
5. Sebagian
dari
bobot-bobotnya
ditentukan
melalui
pembelajaran
terawasi dan sebagian lainnya melalui
pembelajaran tak terawasi.
Fungsi Aktivasi
• Fungsi undak biner (hard limit)
• Fungsi undak biner (threshold)
Fungsi Aktivasi
• Fungsi bipolar
• Fungsi bipolar dengan threshold
Fungsi Aktivasi
• Fungsi Linier (identitas)
• Fungsi Sigmoid biner
Catatan untuk fungsi
aktivasi
•
•
•
•
Untuk pengambilan keputusan
biasanya digunakan Hardlimit
Untuk pengenalan pola/jaringan
back
propagation
biasanya
digunakan sigmoid
Untuk prediksi/aproksimasi linear
biasanya digunakan linear
Utk
hebbian/single
layer
menggunakan biner thresold.
McCulloch Pitts
• Fungsi aktivasi biner
• Besar bobotnya sama
• Memiliki threshold yang sama
Contoh buat fungsi logika “and”, input X1 dan
X2, dan Y =
1 jika dan hanya jika inputan 1
X1
1
1
0
0
X2
1
0
1
0
Y
1
0
0
0
Jawab
X1
X2
Y, 1 jika net >=2, 0
net
jika net < 2
1
1
0
0
1
0
1
0
1.1+1.1=2
1.1+0.1=1
0.1+1.1=1
0.1+0.1=0
1
0
0
0
X
1
1
Y
2
X
2
1
Problem “OR”
X1
X2
Y, 1 jika net >=1, 0
net
jika net < 1
1
1
0
0
1
0
1
0
1.1+1.1=2
1.1+0.1=1
0.1+1.1=1
0.1+0.1=0
1
1
1
0
X1
1
Y
1
X2
1
Keterbatasan JST
Meskipun banyak aplikasi dapat dilakukan oleh JST,
namun ia memiliki beberapa keterbatasan umum.
Keterbatasan
utamanya
adalah
“KETIDAK
AKURATAN” hasil yang diperoleh (karena JST bekerja
berdasarkan pola yang terbentuk pada inputnya).
TERIMA KASIH ATAS
PERHATIANNYA
(ARTIFICIAL NEURAL
NETWORK)
Pertemuan 11
Diema Hernyka Satyareni, M.Kom
Outline
•
•
•
•
•
•
•
•
Konsep JST
Model Struktur JST
Arsitektur JST
Aplikasi JST
Metode Pembelajaran
Fungsi Aktivasi
McCulloch Pitts
Backpropagation Network
Konsep JST
Jaringan syaraf tiruan (JST) atau Artificial
Neural Network (ANN) adalah suatu model
matematik
atau
komputasi
untuk
mensimulasikan struktur dan fungsi dari jaringan
syaraf dalam otak.
JST adalah sistem pemrosesan informasi yang
memiliki karakteristik mirip dengan jaringan
syaraf biologi.
Konsep JST (lanjutan..)
Jaringan Syaraf Biologi
Konsep JST (lanjutan..)
• JST dibentuk sebagai generalisasi model matematika dari
jaringan syaraf biologi, dengan asumsi bahwa:
Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron)
Sinyal dikirimkan diantara neuron-neuron melalui
penghubung2
Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal
Konsep JST (lanjutan..)
Untuk
menentukan
output,
setiap
neuron
menggunakan fungsi aktivasi (biasanya bukan fungsi
linier) yang dikenakan pada jumlahan input yang
diterima.
Besarnya
output
ini
selanjutnya
dibandingkan dengan suatu batas ambang (threshold)
Konsep JST (lanjutan..)
• Sebagai contoh: neuron Y pada gambar
berikut:
Konsep JST (lanjutan..)
• JST tidak diprogram untuk menghasilkan
keluaran tertentu. Semua keluaran atau
kesimpulan yang ditarik oleh jaringan
didasarkan pada pengalamannya selama
mengikuti proses pembelajaran.
• Pada proses pembelajaran, ke dalam JST
dimasukkan pola-pola input (dan output) lalu
jaringan akan diajari untuk memberikan
jawaban yang bisa diterima.
Konsep JST (lanjutan..)
• Karakteristik JST ditentukan oleh
1. Pola hubungan antar neuron (disebut arsitektur
jaringan)
2. Metode penentuan bobot-bobot sambungan
(disebut dengan pelatihan atau proses belajar
jaringan)
3. Fungsi aktivasi
Konsep JST (lanjutan..)
Analogi JST dengan JSB
Model Struktur Neuron
JST
Model Neuron Tanpa bias
Masukan /Inputs
p1
w1
p2
w2
.
Penjumlahan
n=Σpi.wi
Σ
.
.
pi
Fungsi Aktifasi
wi
Bobot/Weight = bisa diatur
F(y)
a=f(n)
Model Neuron dengan
bias/Inputs
Masukan
p1
w1
p2
w2
.
Penjumlahan
Σ
Fungsi Aktivasi
n=Σpi.wi
F(y)
.
.
pi
wi
b (Bias)=Fix
Bobot/Weight = bisa diatur
a=f(n)
Neuron Sederhana
Arsitektur JST
1. Jaringan dengan lapisan tunggal
(single layer net)
2. Jaringan dengan banyak lapisan
(multilayer net)
3. Jaringan dengan lapisan kompetitif
(competitive layer net)
Arsitektur JST (lanjutan..)
1. Jaringan dengan lapisan tunggal (single layer
net)
• Hanya memiliki 1 lapisan dengan bobotbobot terhubung. Jaringan ini hanya
menerima input kemudian secara langsung
akan mengolahnya menjadi output tanpa
harus melalui lapisan tersembunyi.
• Seberapa besar hubungan antara 2 neuron
ditentukan oleh bobot yang bersesuaian.
• Semua unit input akan dihubungkan
dengan setiap unit output.
Arsitektur JST (lanjutan..)
• Gambar single layer net
Arsitektur JST (lanjutan..)
2.
•
•
•
•
Jaringan dengan banyak lapisan (multilayer
net)
Memiliki 1 atau lebih lapisan yang terletak diantara
lapisan input dan lapisan output.
Umumnya ada lapisan bobot-bobot yang terletak
antara 2 lapisan yang bersebelahan.
Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit
daripada lapisan tunggal, tentu saja dengan
pembelajaran yang lebih rumit.
Pada banyak kasus, pembelajaran pada jaringan
dengan banyak lapisan ini lebih sukses dalam
menyelesaikan masalah.
Arsitektur JST (lanjutan..)
• Gambar multilayer net
Arsitektur JST (lanjutan..)
3. competitive layer net
•
•
•
Pada jaringan ini sekumpulan neuron bersaing untuk
mendapatkan hak menjadi aktif.
Umumnya hubungan antar neuron pada lapisan
kompetitif ini tidak diperlihatkan pada diagram
arsitektur.
Gambar berikut menunjukkan salah satu contoh
arsitektur jaringan dengan lapisan kompetitif yang
memiliki bobot –η
Arsitektur JST (lanjutan..)
• Gambar competitive layer net
PROSES PEMBELAJARAN
JARINGAN
• Cara belajar JST :
• Ke dalam JST diinputkan informasi yang
sebelumnya telah diketahui hasil keluarannya.
• Penginputan informasi ini dilakukan lewat
node-node atau unit-unit input. Bobot-bobot
antarkoneksi dalam suatu arsitektur diberi
nilai awal dan kemudian JST dijalankan.
• Bobot-bobot ini bagi jaringan digunakan untuk
belajar dan mengingat suatu informasi.
• Pengaturan bobot dilakukan secara terusmenerus dan dengan menggunakan kriteria
tertentu sampai diperoleh keluaran yang
diharapkan.
Aplikasi JST
Pada tahun 1988 DARPA Neural
Network Study membuat daftar berbagai
aplikasi JST, yang diawali
dengan aplikasi adaptive channel
equalizer (1984), yang merupakan
jaringan neuron-tunggal untuk sistem
telepon jarak jauh, untuk menstabilkan
sinyal suara. Alat ini mengalami
kesuksesan luar biasa dalam industri.
Aplikasi JST (lanjutan..)
Di samping itu, beberapa aplikasi JST:
• Pengenalan pola (pattern recognition)
untuk mengenali pola (mis angka, huruf, suara, atau tanda tangan) yang
sudah sedikit berubah. Hal ini mirip dengan otak manusia yang
masih mampu mengenali orang yang sudah beberapa waktu tidak
dijumpainya
• Pengolahan sinyal JST (model ADALINE) dapat dipakai
untuk menentukan noise dalam saluran telepon
• Peramalan
untuk meramalkan apa yang akan terjadi dimasa yang akan datang
berdasarkan pola kejadian di masa lampau. Hal ini dapat dilakukan
mengingat kemampuan JST untuk mengingat dan membuat
generalisasi dari apa yang sudah ada sebelumnya
Aplikasi JST (lanjutan..)
Aplikasi-aplikasi lain :
• Aerospace
Otopilot pesawat terbang akurasi tinggi, simulasi jalur penerbangan,
sistem pengendali pesawat, simulasi komponen pesawat terbang,
detektor kerusakan komponen pesawat
• Otomotif
Sistem pemandu otomatis, penganalisis aktivitas pengemudi
• Perbankan
Pembaca cek dan dokumen, evaluasi aplikasi kredit
• Pertahanan
Pengendali senjata, penjejak target, diskriminasi objek, pengenalan
wajah, sensor-sensor baru, sonar, radar dan pengolahan sinyal citra
(termasuk data kompresi), ekstraksi ciri, peredam derau, identifikasi
sinyal / citra
Aplikasi JST (lanjutan..)
• Elektronik
Prediksi sekuens kode, tata letak integrated circuit, kontrol
proses, analisis kerusakan chip, machine vision, sintesis
suara, permodelan nonlinier.
• Hiburan
Animasi, efek khusus, prakiraan pasar
• Keuangan
Taksiran harga properti, penasihat kredit, pemeriksaan
hipotik, corporate bond rating, analisis kredit, program
penjualan portofolio, analisis finansial keuangan, prediksi
harga valuta
Aplikasi JST (lanjutan..)
• Asuransi
Evaluasi aplikasi polis, optimisasi produksi
• Manufaktur
Kontrol proses, analisis dan disain produk, diagnosis mesin dan
proses, identifikasi partikel (real time), sistem inspeksi kualitas
(visual), pembungkusan, analisis kualitas, dll
• Medis
analisis sel kanker, analisis EEG dan ECG, disain prostesis,
optimisasi waktu transplantasi, reduksi pengeluaran rumah
sakit, peningkatan kualitas RS.
• Migas
Eksplorasi
Aplikasi JST (lanjutan..)
• Robotik
Kontrol trajektori, robot pengangkat, sistem penglihatan
• Percakapan
Pengenalan percakapan, kompresi, klasifikasi huruf, sintesis teks ke
percakapan.
• Sekuritas
Analisis pasar, automatic bond rating, sistem pelaporan perdagangan
saham
• Telekomunikasi
Kompresi citra dan data, pelayanan informasi otomatis, penterjemah
otomatis, sistem pemroses pembayaran rekening
• Transportasi
Sistem diagnosis rem, penjadwalan, penentuan rute
Metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised
learning)
2. Pembelajaran tak terawasi
(unsupervised learning) /
pembelajaran tanpa guru
3. Gabungan pembelajaran terawasi
dan tak terawasi (hybrid)
Metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised
learning)
•
•
•
Pada pembelajaran ini kumpulan input yang
digunakan, output-outputnya telah diketahui.
Perbedaan antara output-output aktual dengan
output-output yang diinginkan digunakan untuk
mengoreksi bobot JST agar JST dapat
menghasilkan jawaban sedekat (semirip)
mungkin dengan jawaban yang benar yang
telah diketahui oleh JST.
Contoh : Hebbian, Perceptron, Adaline, Back
Propagation,
LVQ
(Learning
Vector
Quantization)
Metode pembelajaran/pelatihan JST
(lanjutan..)
2. Pembelajaran tak terawasi (unsupervised
learning) / pembelajaran tanpa guru
– Pada
pembelajaran
ini,
JST
mengorganisasi dirinya sendiri untuk
membentuk vektor-vektor input yang
serupa, tanpa menggunakan data atau
contoh-contoh pelatihan.
– Struktur menggunakan dasar data atau
korelasi antara pola-pola data yang
dieksplorasi.
– Contoh : Kohonen, ART
Metode pembelajaran/pelatihan JST
(lanjutan..)
3. Gabungan pembelajaran terawasi
dan tak terawasi (hybrid)
4. Merupakan kombinasi dari kedua
pembelajaran tersebut.
5. Sebagian
dari
bobot-bobotnya
ditentukan
melalui
pembelajaran
terawasi dan sebagian lainnya melalui
pembelajaran tak terawasi.
Fungsi Aktivasi
• Fungsi undak biner (hard limit)
• Fungsi undak biner (threshold)
Fungsi Aktivasi
• Fungsi bipolar
• Fungsi bipolar dengan threshold
Fungsi Aktivasi
• Fungsi Linier (identitas)
• Fungsi Sigmoid biner
Catatan untuk fungsi
aktivasi
•
•
•
•
Untuk pengambilan keputusan
biasanya digunakan Hardlimit
Untuk pengenalan pola/jaringan
back
propagation
biasanya
digunakan sigmoid
Untuk prediksi/aproksimasi linear
biasanya digunakan linear
Utk
hebbian/single
layer
menggunakan biner thresold.
McCulloch Pitts
• Fungsi aktivasi biner
• Besar bobotnya sama
• Memiliki threshold yang sama
Contoh buat fungsi logika “and”, input X1 dan
X2, dan Y =
1 jika dan hanya jika inputan 1
X1
1
1
0
0
X2
1
0
1
0
Y
1
0
0
0
Jawab
X1
X2
Y, 1 jika net >=2, 0
net
jika net < 2
1
1
0
0
1
0
1
0
1.1+1.1=2
1.1+0.1=1
0.1+1.1=1
0.1+0.1=0
1
0
0
0
X
1
1
Y
2
X
2
1
Problem “OR”
X1
X2
Y, 1 jika net >=1, 0
net
jika net < 1
1
1
0
0
1
0
1
0
1.1+1.1=2
1.1+0.1=1
0.1+1.1=1
0.1+0.1=0
1
1
1
0
X1
1
Y
1
X2
1
Keterbatasan JST
Meskipun banyak aplikasi dapat dilakukan oleh JST,
namun ia memiliki beberapa keterbatasan umum.
Keterbatasan
utamanya
adalah
“KETIDAK
AKURATAN” hasil yang diperoleh (karena JST bekerja
berdasarkan pola yang terbentuk pada inputnya).
TERIMA KASIH ATAS
PERHATIANNYA